自闭症（ASD）是最常见的神经发育障碍之一，其特点是持久的社交沟通和互动障碍，以及限制性和重复性的行为、活动和兴趣（《精神障碍诊断与统计手册：DSM-5，2013年》）。ASD的神经生理学与表型表现一样，高度异质且复杂[1]。因此，越来越多研究者利用AI方法来研究ASD脑电图（EEG）和脑磁图（MEG）等电生理数据的非线性和非平稳的神经特征。
EEG和MEG均可以记录大脑的神经活动。MEG相对EEG更昂贵，但MEG的记录可以减少许多数据扭曲，并得到更高的空间分辨率。AI是通过寻找“高维数据中的多变量和非线性函数”[2]，为指定问题提供自动化方法来寻找最优解。发展AI方法来研究ASD基于多种原因。AI的潜在临床应用包括用于分类、聚类以及当系统需要算法进行持续适应和调整[3]；也就是说，这包括能够预测具有或不具有家族风险的婴儿发展ASD的风险，确认ASD的诊断，评估ASD的严重程度，并预测基因型或表型特征对治疗反应的预测。2014年发表的系统综述表明，早期干预对于面临ASD风险的婴儿是有益的[4]，这取决于早期的识别。由于ASD患者的大脑是个体特异的，并且已经证明，即使在非常早期（例如6个月大的高风险个体），ASD患者大脑也发生了显著的改变[5]。AI是用EEG和MEG数据阐明ASD的神经生物学特征的理想方法，从而有助于早期检测与ASD相关的异常过程所导致的任何偏离。
1959年，Samuel首次提出AI，它在最基本的层面上是一种人工智能，使计算机能够自主地“学习”和“思考”，这是通过利用数学模型和算法逐渐提高特定任务的性能来实现的[6]。AI可以分为两类：无监督学习和有监督学习[7]。在无监督学习中，算法从数据集中接收输入并从中“构建识别模式”，而没有预先指定的类别或标签;有监督学习及其子类半监督学习具有已知的标签和给定的输入；而半监督学习只有部分训练数据具有已知的标签[7]。
EEG和MEG数据被收集和预处理后，AI的步骤包括：特征提取、特征选择、训练、评估和测试（图1）。特征提取涉及将维度降低到低维表示，特征选择会选择最一致、相关且不冗余的特征作为期望的分类器，在下一步中对AI算法进行训练[7]；在特征选择过程中，可以应用最小冗余最大相关性方法，该方法选择与输出最相关且彼此之间相关性最小的特征，以实现与数据的最大相关性和最小相关性[8]。AI算法在已知（即有监督学习）或未知（即无监督学习）标签的训练数据集上进行训练，并使用验证数据集评估模型的性能，最后可以使用训练好的模型对真实的测试数据进行处理和分类。有监督学习和无监督学习的流程类似，区别在于如何定义损失函数，即评估当前模型与数据拟合程度的算法。为了避免可能的过拟合，可以利用几种不同的AI方法[9]。过拟合（见图2）发生在算法对训练集数据“学得太好”，将噪声视为真实数据。换句话说，算法将这些噪声视为数据中的实际概念和模式；另一方面，欠拟合（见图2）可能发生在输入和输出变量之间的关系未能准确捕捉[10]。
支持向量机（SVM）是有监督学习AI方法的一个子类，它可以用于分类和回归分析，SVM的目标是在N维空间中找到一个超平面，使得测试数据通过较大的间隔分开。SVM作为分类器可以具有更低的泛化误差[11]。为了将数据准备好用于SVM处理，可以使用核函数将现有的原始数据映射到一个更高维的空间。这一步骤保留了信息，但因为它在一个更高维的空间中，所以可以创建非线性分类器。最终的目标是在N维空间中找到一个超平面或一组超平面，使数据点分离和分类。存在多个不同的K核函数可供选择，通过选择正确的核函数，可以实现数据组之间的精确分离。值得注意的是，选择适合数据集的最合适的核函数对于确保可靠的结果至关重要。
K最近邻（KNN）是一种有监督的AI方法[12]。KNN也可以用于分类和回归分析，分类和回归的输出不同，但输入相同。KNN回归计算局部平均值并尝试预测输出变量，而KNN分类将输出变量分为不同的类别。KNN通过对其K个最近邻的分类来对输入数据进行分类。为了找到最近的邻居，计算新点与训练数据点之间的距离，然后根据K个最近邻的标签进行分类。
人工神经网络（ANN）模拟了生物神经元的行为[13]。在训练过程中，将EEG/MEG特征应用于网络以调整ANN的权重，该算法在输入和输出点之间具有更深层的决策过程，可以提取非线性模式。卷积神经网络CNN）是人工神经网络（ANN）的一个子集，擅长图像识别，并在此类研究中被广泛应用。例如，CNN在EEG研究中被广泛用于癫痫的分类、帕金森病、睡眠研究、抑郁症、注意缺陷多动障碍、精神分裂症以及轻度认知障碍和阿尔茨海默病。
AI算法有其优势和缺点，最重要是确保数据采集和预处理的质量达到最高水平。当算法学习时，如果训练数据有误，它也会在测试数据中输出错误数据。 最新的研究表明，AI可以用于ASD的分类，在高风险婴儿的3个月大时预测ASD诊断，预测ASD症状的严重程度，并以高准确性分类ASD的认知状态。
参考文献
1. Lenroot, R., Yeung, P.K., 2013. Front. Hum. Neurosci. 7.
2. Dwyer, D.B., Falkai, P., Koutsouleris, N., 2018. Annu. Rev. Clin. Psychol. 14, 91–118.
3. Scott, I.A., Cook, D., Coiera, E.W., Richards, B., 2019. Med. J. Aust. 211, 203.
4. Bradshaw, J., Steiner, A.M., Gengoux, G., Koegel, L.K., 2015. J. Autism Dev. Disord. 45, 778–794.
5. Bryson, S.E., Zwaigenbaum, L., et al., 2008. J. Autism Dev. Disord. 38, 731–738.
6. Samuel, A.L., 1959. IBM J. Res. Dev. 3, 210–229.
7. Hosseini, M.-P., Hosseini, A., Ahi, K., 2021. IEEERev. Biomed. Eng. 14, 204–218.
8. Ding, C., Peng, H., 2005. J. Bioinforma. Comput. Biol. 03, 185–205.
9. Bosl, W., Tierney, A., Tager-Flusberg, H., Nelson, C., 2011. BMC Med. 9, 18.
10. Handelman, G.S., et al., 2019. Am. J. Roentgenol. 212, 38–43.
11. Hosseini, M.-P., Nazem-Zadeh, M.R., et al., 2014. In: 2014 36th Annu. Int. Conf. IEEE Eng. Med. Biol. Soc, pp. 1047–1050.
12. Cover, T., Hart, P., 1967. IEEETrans. Inf. Theory 13, 21–27.
13. McCulloch, W.S., Pitts, W., 1943. Bull. Math. Biophys. 5, 115–133.